CN109636019A - 基于神经网络算法的测风塔布置方案确定方法 - Google Patents

基于神经网络算法的测风塔布置方案确定方法 Download PDF

Info

Publication number
CN109636019A
CN109636019A CN201811454440.9A CN201811454440A CN109636019A CN 109636019 A CN109636019 A CN 109636019A CN 201811454440 A CN201811454440 A CN 201811454440A CN 109636019 A CN109636019 A CN 109636019A
Authority
CN
China
Prior art keywords
anemometer tower
power plant
wind
wind power
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811454440.9A
Other languages
English (en)
Other versions
CN109636019B (zh
Inventor
郁永静
李良县
熊万能
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PowerChina Chengdu Engineering Co Ltd
Original Assignee
PowerChina Chengdu Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PowerChina Chengdu Engineering Co Ltd filed Critical PowerChina Chengdu Engineering Co Ltd
Priority to CN201811454440.9A priority Critical patent/CN109636019B/zh
Publication of CN109636019A publication Critical patent/CN109636019A/zh
Application granted granted Critical
Publication of CN109636019B publication Critical patent/CN109636019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于神经网络算法的测风塔布置方案确定方法，涉及风力发电技术领域,提供一种利于使拟建风场测风塔位置和数量更加合理的测风塔布置方案确定方法。该方法包括以下步骤：A、确定拟建风电场的范围和每台风电机组的位置；B、选取首座测风塔的位置；C、选取拟建风电场附近或与拟建风电场地形相似的某一个已建风电场，读取并整理该已建风电场数据；D、已建风电场神经网络拟合得到训练好的神经网络模型；E、拟建风电场神经网络预测；F、测风塔布置方案设计。本发明提出测风塔布置方案确定的算法和标准，可避免测风塔布置方案确定过多地受人为因素影响，避免出现误判，能够较为准确地确定拟建风场测风塔的位置和数量。

Description

基于神经网络算法的测风塔布置方案确定方法
技术领域
本发明涉及风力发电技术领域，尤其涉及一种基于神经网络算法的测风塔布置方案确定方法。
背景技术
目前，风电场风能资源评估普遍采用的做法是：在场址区域设立测风塔，以测风塔数据及地形信息为基础，通过风能资源评估软件(WT、Windsim、wasp等)推算整个风电场区域的风能资源分布，并进行发电量计算。测风塔数据作为基础数据，测风塔设置方案直接影响整个风电场风能资源评估的精度，进而影响风电项目发电量计算的精度。
测风塔设置方案涉及测风塔的数量和位置，针对风电场开发而言，测风塔设置应对全场具备代表性。测风塔代表性一般从范围代表性、海拔代表性、粗糙度代表性、高度配置代表性四个方面来考虑，特殊地形则单独设置功能性测风塔，以控制整个风电场的风能资源。针对复杂地形风电场的测风塔代表范围，国内外的研究较少。
刘昌华对内蒙某一平坦地形风电场的测风塔数据和机舱测风仪数据进行相关性分析，结果证明了平坦地形条件下风力发电机组与风电场内测风塔风速数据具有极强的相关性。该研究仅针对平坦地形，且未对测风塔的代表范围进行定义。
王蕊等提出，风电场中山脊明显且相对平坦、开阔，测风塔代表范围：2km～5km；风电场中山脊明显、狭长，测风塔代表范围：狭长5km；风电场山脊不明显、山顶浑圆，测风塔代表范围：5km2。但并未提出该数据的计算方法。
在现有技术方法中，测风方案的制定多凭借设计者经验初步确立测风塔覆盖范围，尤其对于地形复杂的区域，缺乏定量参数来评估测风塔的代表性。该类做法会造成设计结果不精确，不能正确反映该区域的实际风能资源状况，造成各风电机组发电量的设计值与项目投产后的实测值存在明显差异。主要存在以下弊端：
(1)、设计人员根据实际工程经验，主要以海拔、固定的距离作为参考标准，选择测风塔的位置。其主要弊端体现为：受人为因素影响较大，无统一标准，针对不同的地形条件，测风塔能代表的距离范围应具有较大差异，借设计人员工程经验，容易造成误判。
(2)出现测风塔的仅对部分机位具备代表性的现象。大型风电场一般是开发范围为几公里到十几公里不等，测风塔布置不当，容易造成测风塔仅对部分机位具备代表性的现象。采用上述方法主要弊端为：测风塔数量设置不足，或设置的测风塔数量虽然多，但其代表性不能覆盖场区内的所有机组。测风塔代表性不足主要造成的后果为：①设计阶段模拟的风能资源分布与实际风能资源分布有较大差异，因为风能资源评估需要以测风塔数据作为基础数据，对测风塔不具备代表性的区域，经常存在数据高估及低估的现象；②容易产生低效机组。在测风塔代表性不足的区域布设风电机组，具有较大风险，在风能资源被高估的区域布置风电机组，其发电量会低于设计值。低效机组现象在西南复杂山地地区尤为明显，部分机组设计年等效利用小时为2000小时，而实际发年等效利用小时只有500小时。
综上所述，通过设计人员凭借工程经验选取测风塔布置方案，存在较大的风险，直接造成测风塔的代表性不足，进而影响风电场风能资源评估的精度，造成风电场低效机组的出现。
发明内容
本发明要解决的技术问题是：提供一种利于使拟建风场测风塔位置和数量更加合理的测风塔布置方案确定方法。
为解决上述问题采用的技术方案是：基于神经网络算法的测风塔布置方案确定方法包括以下步骤：
A、确定拟建风电场的范围和每台风电机组的位置；
B、选取首座测风塔的位置；拟建风电场位于复杂地形处时，首座测风塔位于海拔最高点；拟建风电场位于平坦地形处时，首座测风塔位于拟建风电场的范围的中心点；
C、选取拟建风电场附近或与拟建风电场地形相似的某一个已建风电场，读取并整理该已建风电场数据；读取并整理已建风电场数据包括以下步骤：C1、读取已建风电场各个生产用测风塔和各台风电机组一段时期内间隔一段时间的多个时间点的风速数据，从而得到与各个生产用测风塔对应的一组生产用测风塔风速数据和与各台风电机组对应的一组风电机组风速数据；C2、读取已建风电场各个生产用测风塔和各台风电机组的大地坐标及高程；C3、确定已建风电场的主风向；C4、将每台风电机组与每个测风塔之间的距离向量进行分解得到多组距离数据，该距离数据包括垂直主风向方向的行距X1、主风向方向同向的列距Y1和高差Z1；C5、计算每组风电机组风速数据与每组生产用测风塔风速数据的相关系数，得到多个相关系数，一个相关系与一个距离数据对应；
D、已建风电场神经网络拟合，将已建风电场的相关系数设置为输出参数，距离数据设置为输入参数，设置神经网络参数并进行神经网络拟合，得到训练好的神经网络模型；
E、拟建风电场神经网络预测，拟建风电场神经网络预包括以下步骤：E1、确定拟建风电场的主风向；E2、将拟建风电场每台风电机组与首座测风塔之间的距离向量进行分解得到多组距离数据，该距离数据包括垂直主风向方向的行距X2、主风向方向同向的列距Y2和高差Z2；E3、将拟建风电场的距离数据设置为输入参数并输入训练好的神经网络模型，预测拟建风电场各台风电机组与首座测风塔的相关系数R2，得到多个相关系数{R21、R22、……R2N}；
F、测风塔布置方案设计，测风塔布置方案设计包括以下步骤：F1、读取min{R21、R22、……R2N}，若小于0.8，则在最小值对应的风电机组上风向二倍风轮直径处增设一座测风塔；F2、对于增设的测风塔，按照步骤E进行相关系数R3预测，预测值为{R31、R32、……R3N}；F3、读取min{max(R21、R31)、max(R22、R32)、……max(R2N、R3N)}，若小于0.8，则在最小值对应的的机组上风向2倍风轮直径处增设一座测风塔；F4、重复F2和F3，直至读取的相关系数最小值大于0.8。
进一步的是：步骤C1为，读取已建风电场各个生产用测风塔和各台风电机组一年内间隔10min的多个时间点的风速数据，从而得到与各个生产用测风塔对应的一组生产用测风塔风速数据和与各台风电机组对应的一组风电机组风速数据。
本发明的有益效果是：本发明提出测风塔布置方案确定的算法和标准，可避免测风塔布置方案确定过多地受人为因素影响，避免出现误判。
2、本发明能够较为准确地确定拟建风场测风塔的位置和数量，使得各风电机组均具有代表性高的测风塔与之对应。根据本发明方法确定并设置测风塔后，能够准确较为评估风电机组处的风能，利于准确设置风电机组。
附图说明
图1是基于神经网络算法的测风塔布置方案确定方法的流程图；
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
基于神经网络算法的测风塔布置方案确定方法包括以下步骤：
A、确定拟建风电场的范围和每台风电机组的位置；
B、选取首座测风塔的位置；拟建风电场位于复杂地形处时，首座测风塔位于海拔最高点；拟建风电场位于平坦地形处时，首座测风塔位于拟建风电场的范围的中心点；
C、选取拟建风电场附近或与拟建风电场地形相似的某一个已建风电场，读取并整理该已建风电场数据；读取并整理已建风电场数据包括以下步骤：C1、读取已建风电场各个生产用测风塔和各台风电机组一段时期内间隔一段时间的多个时间点的风速数据，从而得到与各个生产用测风塔对应的一组生产用测风塔风速数据和与各台风电机组对应的一组风电机组风速数据；C2、读取已建风电场各个生产用测风塔和各台风电机组的大地坐标及高程；C3、确定已建风电场的主风向；C4、将每台风电机组与每个测风塔之间的距离向量进行分解得到多组距离数据，该距离数据包括垂直主风向方向的行距X1、主风向方向同向的列距Y1和高差Z1；C5、计算每组风电机组风速数据与每组生产用测风塔风速数据的相关系数，得到多个相关系数，一个相关系与一个距离数据对应；
D、已建风电场神经网络拟合，将已建风电场的相关系数设置为输出参数，距离数据设置为输入参数，设置神经网络参数并进行神经网络拟合，得到训练好的神经网络模型；
E、拟建风电场神经网络预测，拟建风电场神经网络预包括以下步骤：E1、确定拟建风电场的主风向；E2、将拟建风电场每台风电机组与首座测风塔之间的距离向量进行分解得到多组距离数据，该距离数据包括垂直主风向方向的行距X2、主风向方向同向的列距Y2和高差Z2；E3、将拟建风电场的距离数据设置为输入参数并输入训练好的神经网络模型，预测拟建风电场各台风电机组与首座测风塔的相关系数R2，得到多个相关系数{R21、R22、……R2N}；
F、测风塔布置方案设计，测风塔布置方案设计包括以下步骤：F1、读取min{R21、R22、……R2N}，若小于0.8，则在最小值对应的风电机组上风向二倍风轮直径处增设一座测风塔；F2、对于增设的测风塔，按照步骤E进行相关系数R3预测，预测值为{R31、R32、……R3N}；F3、读取min{max(R21、R31)、max(R22、R32)、……max(R2N、R3N)}，若小于0.8，则在最小值对应的的机组上风向2倍风轮直径处增设一座测风塔；F4、重复F2和F3，直至读取的相关系数最小值大于0.8。
其中步骤C1具体为，读取已建风电场各个生产用测风塔和各台风电机组一年内间隔10min的多个时间点的风速数据，从而得到与各个生产用测风塔对应的一组生产用测风塔风速数据和与各台风电机组对应的一组风电机组风速数据。
步骤D、E和F可借助MSATLAB软件实现。

Claims (2)

1.基于神经网络算法的测风塔布置方案确定方法：其特征在于：包括以下步骤：
A、确定拟建风电场的范围和每台风电机组的位置；
B、选取首座测风塔的位置；拟建风电场位于复杂地形处时，首座测风塔位于海拔最高点；拟建风电场位于平坦地形处时，首座测风塔位于拟建风电场的范围的中心点；
C、选取拟建风电场附近或与拟建风电场地形相似的某一个已建风电场，读取并整理该已建风电场数据；读取并整理已建风电场数据包括以下步骤：C1、读取已建风电场各个生产用测风塔和各台风电机组一段时期内间隔一段时间的多个时间点的风速数据，从而得到与各个生产用测风塔对应的一组生产用测风塔风速数据和与各台风电机组对应的一组风电机组风速数据；C2、读取已建风电场各个生产用测风塔和各台风电机组的大地坐标及高程；C3、确定已建风电场的主风向；C4、将每台风电机组与每个测风塔之间的距离向量进行分解得到多组距离数据，该距离数据包括垂直主风向方向的行距X1、主风向方向同向的列距Y1和高差Z1；C5、计算每组风电机组风速数据与每组生产用测风塔风速数据的相关系数，得到多个相关系数，一个相关系与一个距离数据对应；
D、已建风电场神经网络拟合，将已建风电场的相关系数设置为输出参数，距离数据设置为输入参数，设置神经网络参数并进行神经网络拟合，得到训练好的神经网络模型；
E、拟建风电场神经网络预测，拟建风电场神经网络预包括以下步骤：E1、确定拟建风电场的主风向；E2、将拟建风电场每台风电机组与首座测风塔之间的距离向量进行分解得到多组距离数据，该距离数据包括垂直主风向方向的行距X2、主风向方向同向的列距Y2和高差Z2；E3、将拟建风电场的距离数据设置为输入参数并输入训练好的神经网络模型，预测拟建风电场各台风电机组与首座测风塔的相关系数R2，得到多个相关系数{R21、R22、……R2N}；
F、测风塔布置方案设计，测风塔布置方案设计包括以下步骤：F1、读取min{R21、R22、……R2N}，若小于0.8，则在最小值对应的风电机组上风向二倍风轮直径处增设一座测风塔；F2、对于增设的测风塔，按照步骤E进行相关系数R3预测，预测值为{R31、R32、……R3N}；F3、读取min{max(R21、R31)、max(R22、R32)、……max(R2N、R3N)}，若小于0.8，则在最小值对应的的机组上风向2倍风轮直径处增设一座测风塔；F4、重复步骤F2和F3，直至读取的相关系数最小值大于0.8。
2.根据权利要求1所述的基于神经网络算法的测风塔布置方案确定方法：其特征在于：步骤C1为读取已建风电场各个生产用测风塔和各台风电机组一年内间隔10min的多个时间点的风速数据，从而得到与各个生产用测风塔对应的一组生产用测风塔风速数据和与各台风电机组对应的一组风电机组风速数据。
CN201811454440.9A 2018-11-30 2018-11-30 基于神经网络算法的测风塔布置方案确定方法 Active CN109636019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811454440.9A CN109636019B (zh) 2018-11-30 2018-11-30 基于神经网络算法的测风塔布置方案确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811454440.9A CN109636019B (zh) 2018-11-30 2018-11-30 基于神经网络算法的测风塔布置方案确定方法

Publications (2)

Publication Number Publication Date
CN109636019A true CN109636019A (zh) 2019-04-16
CN109636019B CN109636019B (zh) 2022-11-15

Family

ID=66070415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811454440.9A Active CN109636019B (zh) 2018-11-30 2018-11-30 基于神经网络算法的测风塔布置方案确定方法

Country Status (1)

Country Link
CN (1) CN109636019B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929459A (zh) * 2019-11-28 2020-03-27 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种复杂地形风电场测风塔选址方法
CN113344247A (zh) * 2021-05-12 2021-09-03 广东华联云谷科技研究院有限公司 一种基于深度学习的电力设施选址预测方法与系统
CN115693666A (zh) * 2022-12-30 2023-02-03 中国华能集团清洁能源技术研究院有限公司 基于卫星反演的海上风电场发电量确定方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236746A (zh) * 2011-06-30 2011-11-09 内蒙古电力勘测设计院 无测风记录区风资源模拟推算方法
CN103401236A (zh) * 2013-07-30 2013-11-20 华北电力大学 一种基于风电场流动相关性的风电场机组分组方法
WO2017034050A1 (ko) * 2015-08-26 2017-03-02 전자부품연구원 풍력 터빈의 동적 재구성이 가능한 풍력 단지 실시간 시뮬레이션 시스템 및 방법
CN106649987A (zh) * 2016-11-14 2017-05-10 中国电建集团成都勘测设计研究院有限公司 一种测风塔设立方案的定量分析方法
CN107153894A (zh) * 2017-06-02 2017-09-12 北京金风科创风电设备有限公司 一种风电场的预测风速校正方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236746A (zh) * 2011-06-30 2011-11-09 内蒙古电力勘测设计院 无测风记录区风资源模拟推算方法
CN103401236A (zh) * 2013-07-30 2013-11-20 华北电力大学 一种基于风电场流动相关性的风电场机组分组方法
WO2017034050A1 (ko) * 2015-08-26 2017-03-02 전자부품연구원 풍력 터빈의 동적 재구성이 가능한 풍력 단지 실시간 시뮬레이션 시스템 및 방법
CN106649987A (zh) * 2016-11-14 2017-05-10 中国电建集团成都勘测设计研究院有限公司 一种测风塔设立方案的定量分析方法
CN107153894A (zh) * 2017-06-02 2017-09-12 北京金风科创风电设备有限公司 一种风电场的预测风速校正方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张华 等: "复杂地形区域近地层风场的WRF模拟研究", 《中国水利水电科学研究院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929459A (zh) * 2019-11-28 2020-03-27 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种复杂地形风电场测风塔选址方法
CN113344247A (zh) * 2021-05-12 2021-09-03 广东华联云谷科技研究院有限公司 一种基于深度学习的电力设施选址预测方法与系统
CN115693666A (zh) * 2022-12-30 2023-02-03 中国华能集团清洁能源技术研究院有限公司 基于卫星反演的海上风电场发电量确定方法及系统

Also Published As

Publication number Publication date
CN109636019B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Siuta et al. WRF hub-height wind forecast sensitivity to PBL scheme, grid length, and initial condition choice in complex terrain
Wharton et al. Assessing atmospheric stability and its impacts on rotor‐disk wind characteristics at an onshore wind farm
CN104699936B (zh) 基于计算流体力学短期风速预测的风电场扇区管理方法
Nor et al. Feasibility assessment of wind energy resources in Malaysia based on NWP models
CN107944632A (zh) 一种基于开发地图的风电场选址系统及选址方法
CN106707166B (zh) 一种风电场出力特性评估方法
CN109492315B (zh) 一种基于Copula函数的时空相关风光序列模拟方法
CN102214259B (zh) 风电场设计专家系统
CN109636019A (zh) 基于神经网络算法的测风塔布置方案确定方法
CN105447245B (zh) 一种高海拔山地风电场微观选址系统
CN109447848A (zh) 适用于产漂流性卵鱼类的梯级电站生态调度系统
CN103778572A (zh) 一种基于wrf模式的海上风资源评估方法
CN103258242A (zh) 基于大规模风电基地风电场布局的测风网络布局方法
Noman et al. Comprehensive review of wind energy in Malaysia: Past, present, and future research trends
CN108808671A (zh) 一种风电场短期风速集合预报方法
CN105631520A (zh) 一种提取风速随机模糊不确定特征的建模新方法
Aniskevich et al. Modelling the spatial distribution of wind energy resources in Latvia
CN108320050A (zh) 一种基于风速预报提高光伏短期功率预测精度的方法
CN109599899B (zh) 一种新能源运行模拟边界条件的设定方法
KR20160078920A (ko) 목표 지점의 일사량 계산 방법 및 장치
Cutler et al. Characterizing future large, rapid changes in aggregated wind power using numerical weather prediction spatial fields
CN115809585B (zh) 平衡wee关系的径流式水电站生态流量确定方法和系统
Ibrahim et al. Wind speed modeling for Malaysia
CN104331748B (zh) 一种预测规划目标年风电场群持续功率曲线的方法
Potter et al. Wind power data for grid integration studies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant